A geração automática de modelos, a consequente redução dos ciclos de solução de problemas e a necessidade de um maior grau de integração de dados há muito tempo são caracterizados como desafios significativos no campo da simulação de sistemas de manufatura. Especialmente os modelos de simulação de manufatura usados operacionalmente exigem um alto grau de detalhes de modelagem e, portanto, dependem de uma quantidade significativa de dados de entrada. Em muitos casos, o tempo e o esforço necessários para criar manualmente um modelo tão detalhado e mantê-lo atualizado são proibitivos. Este documento descreve um caso prático em que modelos completos de simulação de uma produção automotiva complexa e de larga escala foram criados automaticamente a partir dos sistemas SAP e MES de uma empresa automotiva para apoiar o planejamento operacional e reduzir os riscos logísticos operacionais, como interrupções de produção causadas por situações de falta de estoque na linha de produção.
Fowler e Rose (2004) afirmam que uma redução de ordem de magnitude no tempo de solução de problemas e a falta de um recurso de solução de problemas em tempo real estão entre os maiores desafios na modelagem e simulação de sistemas de manufatura. De acordo com eles, o tempo para projetar um modelo de simulação, coletar dados, construir e executar o modelo e interpretar os resultados é muito longo, especialmente para o uso operacional da simulação. Além disso, eles afirmam que a geração automática e sob demanda de modelos de simulação completos a partir de fontes de dados da empresa aumentaria significativamente a aplicabilidade da simulação para fins de planejamento operacional.
De acordo com essas descobertas, este documento descreve um caso prático em que modelos completos de simulação de linhas de produção automotivas complexas e de grande escala foram criados automaticamente a partir dos sistemas SAP e MES da empresa para fornecer suporte ao planejamento operacional. Para isso, não apenas os dados mestre necessários (por exemplo, listas de materiais, roteiros etc.) e os dados transacionais mais recentes (por exemplo, dados de pedidos) foram carregados em um modelo de modelo de simulação predefinido, mas também informações estruturais (por exemplo, estações de trabalho, links etc.) foram recuperadas automaticamente dos sistemas de TI da empresa e usadas para gerar automaticamente o modelo de simulação.
No setor automotivo, os princípios de produção enxuta são amplamente implementados, obrigando as empresas a equilibrar as atividades de redução de custos de estoque e os riscos operacionais, como situações de falta de estoque na linha de produção. O objetivo do modelo de simulação descrito é atuar como um sistema de alerta antecipado e detectar possíveis situações de falta de estoque antes que elas ocorram, de modo que as contramedidas possam ser avaliadas e iniciadas. Portanto, o escopo do modelo abrange todos os processos logísticos internos da empresa, desde a recuperação de peças no depósito até o consumo na linha de produção.
O requisito de suporte ao planejamento operacional usando simulação deriva da complexidade do processo de planejamento e do alto número de parâmetros do sistema que precisam ser controlados diariamente por um número limitado de funcionários de planejamento. Devido às frequentes alterações nos dados mestre e nos dados transacionais, e até mesmo às mudanças estruturais do layout da linha, havia dois requisitos técnicos. Primeiro, o modelo deveria estar pronto para ser usado em um período muito curto de tempo e ainda conter os dados mais recentes. Em segundo lugar, o processo de incorporação dos dados da empresa e de criação do modelo não deveria envolver tarefas manuais que causassem possíveis erros, atrasos e ineficiência.
Para atender aos requisitos mencionados acima, foi desenvolvido um modelo genérico de simulação de flow shop usando o SIMIO, capturando as especificidades da empresa. Seguindo a abordagem de modelagem orientada a objetos do SIMIO, foram criados objetos do modelo de simulação, representando elementos específicos do sistema real. As instâncias específicas dos elementos de modelagem foram então colocadas em um modelo em branco sob demanda, usando uma extensão personalizada do SIMIO. Essa extensão permite gerar modelos de flow shop completos, colocando, conectando e parametrizando automaticamente esses objetos de modelo predefinidos em um modelo de simulação. Os dados necessários para gerar o modelo foram extraídos do sistema SAP e MES da empresa usando um software extrator de dados personalizado que recupera diretamente os dados relevantes dos respectivos bancos de dados do sistema. O sistema SAP fornece as informações para modelar a linha de produção, como detalhes sobre estações de trabalho, roteiros, listas de materiais, planos de turnos, ordens de produção, níveis de estoque, dados mestre de materiais etc. O sistema MES fornece informações detalhadas sobre as sequências de produção e o progresso atual e planejado da produção por estação de trabalho e ordem de fabricação.
A Figura 1 descreve quatro estágios de integração de dados de aplicativos de simulação. A abordagem escolhida representa o quarto estágio da integração de dados.
Seguir a abordagem descrita levou a uma solução de simulação totalmente integrada ao processo de planejamento operacional e à arquitetura de TI da empresa. Ela ajudou o pessoal de planejamento da empresa a evitar problemas logísticos e interrupções na produção. Os resultados da simulação foram exibidos de tal forma que os riscos operacionais foram destacados e os problemas puderam ser facilmente identificados pelo pessoal de planejamento. Durante o curso de um único projeto de mudança estrutural, mais de cem problemas críticos foram identificados e corrigidos preventivamente, o que ajudou a reduzir significativamente as interrupções na produção. Devido à automação da geração do modelo, o ciclo de solução de problemas é significativamente reduzido em comparação com a criação manual de modelos de simulação. Além disso, a abordagem é adequada para modelos de grande escala com um alto grau de detalhes de modelagem, necessários para o suporte ao planejamento operacional.